使用 Ghostscript 处理后避免从 PDF 中提取的文本碎片化
Avoiding fragmenting of text extracted from PDF after processing with Ghostscript
在使用 Ghostscript 处理后，我有时会看到空格将单词分开，就像在 pdftotext 或 PDF 查看器中搜索或选择时看到的那样。可能无关，但异常似乎与渲染字体中的字距调整变化相对应。
有没有办法避免这种情况？
例如，从 GS 9.23（也出现在早期版本中）：
gs -sDEVICE=pdfwrite \
-dNOPAUSE -dQUIET -dPARANOIDSAFER -dBATCH \
-sOutputFile=./output.pdf input.pdf
摘自pdftotext input.pdf：
Review this manual before
operating deep cleaner
同时 pdftotext output.pdf：
Re vie w t his m a nua l be fore
ope ra t ing de e p c le a ne r
Ghostscript 和 pdfwrite 设备（如 VectorDevices.htm 中所述）在生成 PDF 文件时不只是 'fiddle' 输入。输入（来自任何来源；PDF、PostScript、XPS、PCL、PCL-XL）被完全解释为标记操作，这些标记操作被发送到设备，设备将它们转回 PDF 结构。
因此描述页面的低级 (PDF) 格式不需要与输入的低级格式有任何关系。特别是您不能期望输入中的 PDF 操作会反映在输出中。
视觉外观将相同（或者应该是，因为这是主要目标），但实际操作将不同。
文本输出不同的原因是，基本上，PDF 文件中没有 'metadata' 描述单词、段落、列等。当您从 PDF 文件中提取文本时，您其实得到的是一系列的字符编码和位置
由文本提取代码来尝试理解这一点。我猜想 pdftotext 使用的是假设文本字符串是单词的相当天真的方法。
这是有问题的，因为有许多不同的方法可以处理 PDF 中的字距调整、对齐和其他间距。你可以这样做：
(Te) Tj
10 0 Td
(st) Tj
或：
[(Te) 2 (st)] TJ
pdfwrite 设备不知道原件是什么，所以它发出的可能是其中之一，这取决于一些试探法。与原版匹配的可能性很小。
我怀疑 pdftotext 会将第一个操作视为 "Te st"，将第二个操作视为 "Test"
一个可能的解决方案是使用 Ghostscript 的 txtwrite 设备来提取文本，它可能做得更好。
与您的其他问题一样，在提出此类问题时最好提供示例，因为如果不这样做，就只能靠猜测了。
TL;DR
Is there a way to avoid this?
没有
在使用 Ghostscript 处理后，我有时会看到空格将单词分开，就像在 pdftotext 或 PDF 查看器中搜索或选择时看到的那样。可能无关，但异常似乎与渲染字体中的字距调整变化相对应。
有没有办法避免这种情况？
例如，从 GS 9.23（也出现在早期版本中）：
gs -sDEVICE=pdfwrite \
-dNOPAUSE -dQUIET -dPARANOIDSAFER -dBATCH \
-sOutputFile=./output.pdf input.pdf
摘自pdftotext input.pdf：
Review this manual before
operating deep cleaner
同时 pdftotext output.pdf：
Re vie w t his m a nua l be fore
ope ra t ing de e p c le a ne r
Ghostscript 和 pdfwrite 设备（如 VectorDevices.htm 中所述）在生成 PDF 文件时不只是 'fiddle' 输入。输入（来自任何来源；PDF、PostScript、XPS、PCL、PCL-XL）被完全解释为标记操作，这些标记操作被发送到设备，设备将它们转回 PDF 结构。
因此描述页面的低级 (PDF) 格式不需要与输入的低级格式有任何关系。特别是您不能期望输入中的 PDF 操作会反映在输出中。
视觉外观将相同（或者应该是，因为这是主要目标），但实际操作将不同。
文本输出不同的原因是，基本上，PDF 文件中没有 'metadata' 描述单词、段落、列等。当您从 PDF 文件中提取文本时，您其实得到的是一系列的字符编码和位置
由文本提取代码来尝试理解这一点。我猜想 pdftotext 使用的是假设文本字符串是单词的相当天真的方法。
这是有问题的，因为有许多不同的方法可以处理 PDF 中的字距调整、对齐和其他间距。你可以这样做：
(Te) Tj
10 0 Td
(st) Tj
或：
[(Te) 2 (st)] TJ
pdfwrite 设备不知道原件是什么，所以它发出的可能是其中之一，这取决于一些试探法。与原版匹配的可能性很小。
我怀疑 pdftotext 会将第一个操作视为 "Te st"，将第二个操作视为 "Test"
一个可能的解决方案是使用 Ghostscript 的 txtwrite 设备来提取文本，它可能做得更好。
与您的其他问题一样，在提出此类问题时最好提供示例，因为如果不这样做，就只能靠猜测了。
TL;DR
Is there a way to avoid this?
没有